| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第9-19页 |
| 1.1 论文背景和意义 | 第9-10页 |
| 1.2 研究现状与分析 | 第10-17页 |
| 1.2.1 基于ImageNet的图像分类评测 | 第10-11页 |
| 1.2.2 传统获胜者的方法 | 第11-13页 |
| 1.2.3 深度学习的引入及其热潮 | 第13-14页 |
| 1.2.4 ImageNet的启示与局限 | 第14-17页 |
| 1.3 论文内容与章节安排 | 第17-19页 |
| 第二章 基础知识 | 第19-33页 |
| 2.1 深度学习的相关知识 | 第19-26页 |
| 2.1.1 全连接层 | 第20-21页 |
| 2.1.2 卷积神经网络 | 第21-22页 |
| 2.1.3 激活函数 | 第22-25页 |
| 2.1.4 Dropout | 第25-26页 |
| 2.2 深度学习模型示例 | 第26-29页 |
| 2.2.1 AlexNet | 第26-28页 |
| 2.2.2 GoogleNet | 第28-29页 |
| 2.3 SVM的基本介绍 | 第29-33页 |
| 第三章 大规模真实图像数据的采集及特征抽取 | 第33-43页 |
| 3.1 数据获取 | 第34-39页 |
| 3.1.1 数据获取 | 第34-35页 |
| 3.1.2 类别信息 | 第35-39页 |
| 3.2 基于CNN的特征提取 | 第39-43页 |
| 3.2.1 实现方法 | 第40-41页 |
| 3.2.2 CNN特征的特点 | 第41-43页 |
| 第四章 基于MULTITASK的大规模图像数据分类算法研究 | 第43-57页 |
| 4.1 基于多标签思想的MULTILABEL | 第43-45页 |
| 4.2 基于多任务思想的MULTITASK | 第45-47页 |
| 4.3 MULTITASK的改进方案——MULTIWEIGHT | 第47-49页 |
| 4.4 实验分析与小结 | 第49-57页 |
| 4.4.1 评估标准 | 第49-50页 |
| 4.4.2 MultiLabel、MultiTask和MultiWeight的比较 | 第50-52页 |
| 4.4.3 MultiWeight误差权重的设定 | 第52-54页 |
| 4.4.4 误差权重对于收敛的影响 | 第54-55页 |
| 4.4.5 实验小结 | 第55-57页 |
| 第五章 应用 | 第57-63页 |
| 5.1 DEEPFASHION时尚检索系统 | 第57-60页 |
| 5.2 分类任务 | 第60-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文工作总结 | 第63页 |
| 6.2 未来研究工作展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
